Re: 列多於行時的數據分析你好@斯蒂芬喬治,
有很多選項，具體取決於您使用的是 JMP 還是 JMP Pro。
在直接進行分析之前，我會可視化過程參數之間以及過程參數與響應（默認值）之間的相關性，因為這可以指示相關變量和對默認值分析有影響的輸入（分析中的平台“多變量”->多元方法）。
然後，要考慮一些選項：
- JMP：
- 第一種方法可能是進行主成分分析 (PCA)，然後嘗試使用這些 PCA 參數對默認響應進行建模。 但是這種方法會讓您失去一些關於哪些因素影響默認值的可解釋性，因為它們將組合在 PCA 變量中。
- 另一種選擇是嘗試偏最小二乘法 (PLS)，這是一種在處理大量相關變量和極少觀測值時非常有效的方法。 例如，它用於光譜分析，在這種分析中，您幾乎沒有觀測值，但有大量輸入數據（例如，每個波長的透射率/強度）。
- 可能也很有趣的是嘗試預測篩選來了解哪些因素是最重要的。
- JMP臨：
- 您可以嘗試“隨機森林”，而不是預測器篩選，您將在其中獲得更多關於模型的信息和保存公式的可能性。 由於 RF 對每棵樹使用特徵裝袋，您可以確信，即使在多重共線性和參數多於觀察值的情況下，每個參數在樹中被選擇的概率相同，因此您可以很好地了解哪些因素影響默認值。
- 您還可以查看具有懲罰估計方法的廣義回歸模型，例如 Lasso、Ridge 或 Elastic Net。
這些是我在嘗試更複雜的方法之前首先嘗試的模型/技術。
我讓這個社區的專家完成我的回答 
我希望這能幫到您，
Re: 列多於行時的數據分析非常感謝 Victor 非常快速和完整的回答。
由於我還有 JMP Pro，我將能夠測試您提到的所有提示。
Re: 列多於行時的數據分析完美，那麼你有很多選擇可以嘗試！
在深入研究 JMP Pro 模型之前嘗試最簡單的模型並比較所使用的不同模型可能會很有趣，不僅在性能/重要性方面，而且在您的領域專業知識方面：這個過程參數有意義嗎在默認響應中如此重要（例如）？
將來自不同模型的不同見解與您的領域專業知識相結合應該會引導您朝著正確的方向前進。
祝你有美好的一天斯蒂芬，
回复：列多於行時的數據分析你只是數據挖掘嗎？
我有以下想法：
1. 我將從對各列進行深思熟慮開始，並就它們為何會或不會影響缺陷數量或缺陷率提出合理的假設。使用這些假設作為迭代模型的指南。
2. 我會謹慎使用缺陷。 缺陷可能是不同失效機制的結果，因此具有不同的因果結構。 這可能會在缺陷密度的聚合中丟失。 還有更好的措施嗎？ 措施越連續，研究就越有效和高效。
3.如果是數據挖掘，我同意Victor評估列因子的多重共線性的觀點。 散點圖非常適合此目的。
4. 回歸將是一個開始研究因素和缺陷之間關係的地方。 同樣，響應變量的性質可能會限制您可以使用的內容。 通常，我會從線性效應開始，並採用附加方法來構建模型（添加交互和非線性迭代等術語），逐步和 PLS 等程序可能有用，但始終能夠證明與主題合理化的關係。 （這對於PCA來說非常困難）
5. 整個數據集中存在測量錯誤，甚至在缺陷分類中也可能存在測量錯誤。 幾乎沒有機會從您的數據集中估計這一點。
6. 背景很重要。 正如維克多提到的，你可能有滯後的變量效應和隱藏變量。 請記住，您進行數據挖掘是為了使下一次迭代更加有效（定向採樣或實驗），而不是得出結論。
當列多於行時的資料分析大家好
我想請求您的幫助，因為我有一個資料集：
- 列中鍍鋅鋼生產線的製程參數
- 成排，已在該生產線上加工的線圈
目的是將捲材上出現的缺陷數量與一個或多個製程參數相關聯。
不幸的是，我的資料集的列數 (407) 多於行數 (63)。
您對如何進行有什麼建議嗎？
進階統計建模大規模客製化品質和工藝工程
